PYTHON在线零售数据关联规则挖掘APRIORI算法数据可视化
原文链接:http://tecdat.cn/?p=23955
关联规则学习 在机器学习中用于发现变量之间的有趣关系。Apriori算法是一种流行的关联规则挖掘和频繁项集提取算法,在关联规则学习中有应用。它旨在对包含交易的数据库进行操作,例如商店客户的购买(购物篮分析)。除了购物篮分析之外,该算法还可以应用于其他问题。例如,在网络用户导航领域,我们可以搜索诸如访问过网页A和网页B的客户也访问过网页C的规则。
在这篇文章中,我将分享如何使用Python 获取关联规则和绘制图表,为数据挖掘中的关联规则创建数据可视化 。首先我们需要得到关联规则。
从数组数据中获取关联规则
要获取关联规则,您可以运行以下代码
import pandas as pd
oary = ott(daset).trafrm(dtset)
df = pd(oh_ry, column=oht.cns)
print (df)
frequent = apror(df, mn_upprt=0.6, useclaes=True)
print (frequent )
数据挖掘中的置信度和支持度
为了选择有趣的规则,我们可以使用最知名的约束,即置信度和支持度的最小阈值 。
支持度是指项目集在数据集中出现的频率。
置信度表示规则被发现为真的频率。
suprt=rules(\['suport'\])
cofidece=rules(\['confience'\])
关联规则——散点图
建立散点图的python代码。由于这里有几个点有相同的值,我添加了小的随机值来显示所有的点。
for i in range (len(supprt)):
suport\[i\] = suport\[i\] + 0.00 * (ranom.radint(,10)- 5)
confidence\[i\] = confidence\[i\] + 0.0025 * (rao.rant(1,10) - 5)
plt.show()
以下是支持度和置信度的散点图:
如何为数据挖掘中的关联规则创建数据可视化
为了将关联规则表示为图。这是关联规则示例:(豆,洋葱)==>(鸡蛋)
下面的有向图是为此规则构建的,如下所示。具有 R0 的节点标识一个规则,并且它总是具有传入和传出边。传入边将代表规则前项,箭头在节点旁边。
点击标题查阅往期内容
左右滑动查看更多
01
02
03
04
下面是一个从实例数据集中提取的所有规则的图形例子。
这是构建关联规则的源代码。
import networkx as nx
G1 = nx.iGaph()
colr_ap=\[\]
N = 50
colors = np.randm.rndN)
for i in range (rue\_o\_w):
G1.a\_od\_from(\["R"+st(i)\])
for a in rsloc\[i\]\['anedts'\]:
G1.dnoesrom(\[a\])
G1.adedg(a, "R"+str(i))
for c in ruleioc\[i\]\[''\]:
G1.addnodsom()
G1.adddge"R"str(i), c, colo=\[i\], weht=2)
for noe in G1:
fod_astring = alse
for iem in sts:
if nde==itm:
found\_a\_ring = True
if fond_sting:
cor_mp.apend('ellw')
else:
cor_mapapped('green')
plt.show()
在线零售数据集的数据可视化
为了对可视化进行真实感受和测试,我们可以采用可用的在线零售商店数据集并应用关联规则图的代码。
以下是支持度和置信度的散点图结果。这次使用seaborn库来构建散点图。下面是零售数据集关联规则(前 10 条规则)的可视化。